随着人民生活水平的提高、环保意识的增强,新能源汽车需求量日益剧增,国家相关政府机构也出台了相应政策把我国建设成一个新能源汽车强国。电磁阀作为新能源汽车热泵空调系统中的关键部件之一,在热泵系统中起到切断及功能切换的作用。因汽车运行工况复杂,电磁阀随之需要重复不断地进行吸合/断开操作,从而容易引发故障状态出现。对于新能源汽车而言,如果功能切换无法顺利实现将会影响到车内人员的生命安全。目前国内外对电磁阀的故障诊断研究较少,本文尝试采用实验测试和预测模型结合,针对车用电磁阀的阀芯部件卡滞、阀芯部件卡死和芯铁弹簧断裂这三种典型机械故障状态的识别,展开诊断方法研究。首先,制作电磁阀故障样件,以及搭建车行状态热泵空调虚拟运行环境下的电磁阀性能测试平台,从而获取电磁阀启动时的驱动电流数据。结合电流数据的采集,测试获得输入电压,环境温度、系统压力等工况参数对电磁阀运行性能的影响趋势。该测试数据为后续故障诊断模型的预测分析奠定了基础。然后,采用小波BP神经网络故障诊断预测模型对单个电磁阀运行工作模式进行故障种类识别,即利用小波包分解重构及能量矩分析方式对驱动电流进行分解,并提取有效的故障特征向量;同时,采用BP神经网络计算法,将训练组与测试组提取的有效故障特征向量进行故障训练、判断及优化。而后,将验证组得到的BP神经网络结果与验证测试平台结果对比,发现其有较高的吻合度。最后,在上述研究结论基础上,针对汽车热泵空调系统中常规采用多个电磁阀联合运行的工作模式进行故障状态识别,即根据采集的驱动电流数据提取相关特征向量值,并进行BP神经网络的故障训练、判断及其优化,其判断的合格率达到85%。因此,验证结果进一步表明小波BP神经网络故障诊断法对电磁阀的诊断是有效性,同时为车用热泵空调电磁阀在复杂运行工况环境下的故障识别提供了合理可行的预测分析方法。